1、散点图(Scatter Plot)

散点图是一个图表，其中数据集中的每个值都用点表示。

Matplotlib模块有一种绘制散点图的方法，它需要两个长度相同的数组，一个数组用于x轴的值，一个数组用于y轴的值：

x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]

x数组代表每辆汽车的寿命。

y数组代表每辆汽车的速度。

例如：

使用scatter()方法绘制散点图：

import matplotlib.pyplot as plt

x = [5,7,8,7,2,17,2,9,4,11,12,9,6]
y = [99,86,87,88,111,86,103,87,94,78,77,85,86]

plt.scatter(x, y)
plt.show()

 Result:

散点图解释

x轴表示年龄，y轴表示速度。

从图中可以看到，两辆最快的汽车都使用了2年，最慢的汽车使用了12年。

注意：汽车似乎越新，驾驶速度就越快，但这可能是一个巧合，毕竟我们只注册了13辆汽车。

2、随机数据分布

在机器学习中，数据集可以包含成千上万甚至数百万个值。

测试算法时，您可能没有真实的数据，您可能必须使用随机生成的值。

正如我们在上一章中学到的那样，NumPy模块可以帮助我们实现这一目标！

让我们创建两个数组，它们都填充有正常数据分布中的1000个随机数。

第一个数组的平均值设置为5.0，标准差为1.0。

第二个数组的平均值设置为10.0，标准差为2.0：

例如： 

有1000个点的散点图：

import numpy
import matplotlib.pyplot as plt

x = numpy.random.normal(5.0, 1.0, 1000)
y = numpy.random.normal(10.0, 2.0, 1000)

plt.scatter(x, y)
plt.show()

Result:

散点图解释

我们可以看到，点集中在x轴上的值5和y轴上的10周围。

我们还可以看到，在y轴上的扩散比在x轴上的扩散大。